論文の概要: Self-Supervised Noisy Label Learning for Source-Free Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2102.11614v1
• Date: Tue, 23 Feb 2021 10:51:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-25 07:33:58.370969
• Title: Self-Supervised Noisy Label Learning for Source-Free Unsupervised Domain Adaptation
• Title（参考訳）: ソースフリー非教師付きドメイン適応のための自己教師付きノイズラベル学習
• Authors: Weijie Chen and Luojun Lin and Shicai Yang and Di Xie and Shiliang Pu and Yueting Zhuang and Wenqi Ren
• Abstract要約: 新規な自己監督雑音ラベル学習法を提案する。 本手法は最新の結果を容易に達成でき、他の手法を非常に大きなマージンで超えることができる。
• 参考スコア（独自算出の注目度）: 87.60688582088194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is a strong prerequisite to access source data freely in many existing unsupervised domain adaptation approaches. However, source data is agnostic in many practical scenarios due to the constraints of expensive data transmission and data privacy protection. Usually, the given source domain pre-trained model is expected to optimize with only unlabeled target data, which is termed as source-free unsupervised domain adaptation. In this paper, we solve this problem from the perspective of noisy label learning, since the given pre-trained model can pre-generate noisy label for unlabeled target data via directly network inference. Under this problem modeling, incorporating self-supervised learning, we propose a novel Self-Supervised Noisy Label Learning method, which can effectively fine-tune the pre-trained model with pre-generated label as well as selfgenerated label on the fly. Extensive experiments had been conducted to validate its effectiveness. Our method can easily achieve state-of-the-art results and surpass other methods by a very large margin. Code will be released.
• Abstract（参考訳）: 多くの既存の監視されていないドメイン適応アプローチで、ソースデータに自由にアクセスする強力な前提条件です。 しかし、コストのかかるデータ送信とデータプライバシ保護の制約のため、ソースデータは多くの現実的なシナリオでは不可知である。 通常、与えられたソースドメインの事前トレーニングモデルは、ラベルなしのターゲットデータのみを使用して最適化されることが期待されます。 本稿では,事前学習されたモデルが,直接ネットワーク推論によってラベルなし対象データのノイズラベルを事前に生成できるため,雑音ラベル学習の観点からこの問題を解決する。 自己監督型学習を組み込んだこの問題モデルでは,事前生成ラベルを用いた学習モデルと,その場で自動生成ラベルを効果的に微調整できる,新しい自己監督型雑音ラベル学習法を提案する。 有効性を検証するために大規模な実験が行われた。 本手法は最新の結果を容易に達成でき、他の手法を非常に大きなマージンで超えることができる。 コードはリリースされる。

関連論文リスト

• Learning in the Wild: Towards Leveraging Unlabeled Data for Effectively Tuning Pre-trained Code Models [38.7352992942213]
  我々は,大規模な未ラベルデータセットを用いた事前学習型コードモデルを改善するために,HINTという新しいアプローチを提案する。 HINTには、HybrId擬似ラベル付きデータ選択とノイズ耐性トレーニングの2つの主要なモジュールが含まれている。 実験の結果、HINTはタスク固有の方法でラベル付けされていないデータをうまく活用できることがわかった。
  論文  参考訳（メタデータ） (2024-01-02T06:39:00Z)
• Overcoming Label Noise for Source-free Unsupervised Video Domain Adaptation [39.71690595469969]
  自己学習に基づくソースフリーなビデオドメイン適応手法を提案する。 ソース事前学習モデルを用いて、対象ドメインサンプルの擬似ラベルを生成する。 我々は,教師の学習フレームワークを実装することにより,適応性能をさらに向上する。
  論文  参考訳（メタデータ） (2023-11-30T14:06:27Z)
• Uncertainty-aware Mean Teacher for Source-free Unsupervised Domain Adaptive 3D Object Detection [6.345037597566315]
  擬似ラベルに基づく自己学習アプローチは、ソースフリーな教師なしドメイン適応の一般的な方法である。 本研究では,学習中に誤字を暗黙的にフィルタリングする不確実性認識型平均教師フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-29T18:17:09Z)
• Source-Free Domain Adaptive Fundus Image Segmentation with Denoised Pseudo-Labeling [56.98020855107174]
  ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。 多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。 本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-09-19T06:38:21Z)
• A Curriculum-style Self-training Approach for Source-Free Semantic Segmentation [91.13472029666312]
  ソースフリーなドメイン適応型セマンティックセマンティックセグメンテーションのためのカリキュラムスタイルの自己学習手法を提案する。 提案手法は, ソースフリーなセマンティックセグメンテーションタスクにおいて, 合成-実-実-実-実-実-実-非実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
  論文  参考訳（メタデータ） (2021-06-22T10:21:39Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)
• A Free Lunch for Unsupervised Domain Adaptive Object Detection without Source Data [69.091485888121]
  教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。 ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-10T01:42:35Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。